K\u00fcnstliche Intelligenz erweitert den wissenschaftlichen M\u00f6glichkeitsraum und r\u00fcckt den Erkenntnisgewinn gegen\u00fcber der individuellen Eigenleistung des Wissenschaftlers st\u00e4rker in den Vordergrund. Ein Verzicht darauf w\u00fcrde das Ziel des wissenschaftlichen Erkenntnisprozesses ad absurdum f\u00fchren.<\/em><\/p>\n\n\n\n Am 6. Oktober 2026 ver\u00f6ffentlichte OpenAI 722 Manuskripte, in denen mehr als dreihundert \u201eteils sehr hochrangige\u201c mathematische Fragestellungen mit Hilfe K\u00fcnstlicher Intelligenz behandelt wurden, wobei die Richtigkeit der L\u00f6sungswege jedoch bislang noch nicht \u00fcberpr\u00fcft wurde (Rauchhaupt, 2026; Speicher, 2026). \u201eDer Tag der Mathe-Apokalypse\u201c sei damit angebrochen (Rauchhaupt, 2026). Ob dies tats\u00e4chlich der Fall ist, sei zun\u00e4chst einmal dahingestellt. Tatsache freilich ist, da\u00df die K\u00fcnstliche Intelligenz die Wissenschaft ver\u00e4ndert.<\/p>\n\n\n\n Als K\u00fcnstliche Intelligenz wird dabei eine Familie unterschiedlicher Software bezeichnet, die in der Lage ist, auf der Grundlage gro\u00dfer Datenmengen Vorhersagen, Klassifikationen, Texte, Bilder, Programme oder andere Probleml\u00f6sungen zu generieren (OECD, 2024). Dabei mu\u00df nicht mehr jeder einzelne L\u00f6sungsschritt vom Bediener eingeleitet werden; vielmehr lernen moderne KI-Systeme Strukturen aus Daten und k\u00f6nnen diese f\u00fcr die L\u00f6sung neuer Aufgaben anwenden. F\u00fcr die Wissenschaft erweisen sich insbesondere die vier folgenden Auspr\u00e4gungen als relevant:<\/p>\n\n\n\n F\u00fcr die Wissenschaft reicht das Anwendungsspektrum somit weit \u00fcber das Schreiben von Texten hinaus; vielmehr kann KI auf nahezu allen Stufen des wissenschaftlichen Erkenntnisprozesses eingesetzt werden. So kann sie etwa in Form der Recherche und Auswertung der Literatur die Erschlie\u00dfung vorhandenen Wissens unterst\u00fctzen. Zudem kann sie zur Erstellung wissenschaftlicher Texte inklusive der \u00dcbersetzung verwendet werden. Dar\u00fcber hinaus kann KI im eigentlichen Forschungsproze\u00df unterst\u00fctzend wirken, indem sie etwa bei der Datenaufbereitung und der statistischen Analyse oder bei der Erkennung von Mustern in sehr gro\u00dfen Datens\u00e4tzen eingesetzt wird. Systeme wie AlphaFold sind etwa in der Lage, Probleme zu bearbeiten, die mit traditionellen Verfahren nur schwer gel\u00f6st werden k\u00f6nnen. Damit reicht das Spektrum der KI im Einsatzbereich der Wissenschaft von einer vergleichsweise einfachen Assistenzfunktion \u2013 etwa beim \u00dcbersetzen eines Textes \u2013 \u00fcber methodische Unterst\u00fctzung bei Programmierung und Datenanalyse bis zu einer partiellen Automatisierung des wissenschaftlichen Erkenntnisprozesses. KI ver\u00e4ndert damit nicht nur die wissenschaftliche Produktionsfunktion, sondern erweitert den wissenschaftlichen M\u00f6glichkeitsraum: Sie gibt Forschern Methoden an die Hand, die ihnen aufgrund ihrer eigenen F\u00e4higkeiten oder Ressourcen bislang kaum zug\u00e4nglich waren und die diese Wissenschaftler zur L\u00f6sung von Fragestellungen einsetzen k\u00f6nnen, an denen sie bis dato gescheitert sind.<\/p>\n\n\n\n Insofern hat KI einen erheblichen Einflu\u00df auf die Wissenschaft; die in diesem Kontext ausgel\u00f6sten Diskussionen drehen sich aber vor allem um etwaige Fehlentwicklungen. Dabei treten Aspekte wie die Zul\u00e4ssigkeit, Texte von der KI schreiben zu lassen, die Notwendigkeit einer Offenlegung dieses Hilfsmittels oder etwa die Frage nach der Grenze zwischen einer zul\u00e4ssigen Unterst\u00fctzung und dem wissenschaftlichen Fehlverhalten in den Mittelpunkt (siehe etwa Rauchhaupt, 2026).<\/p>\n\n\n\n Tatsache ist, da\u00df der Einsatz von KI nicht nur die Art, wie Wissenschaft betrieben wird, ver\u00e4ndert, sondern KI hat auch ma\u00dfgeblichen Einflu\u00df auf die relative Position der Wissenschaftler untereinander. Wissenschaftler unterscheiden sich ebenso wie andere Menschen durch ihre Ideen und ihre Kompetenzen \u2013 manche sind methodisch extrem versiert, andere k\u00f6nnen sich sehr gut ausdr\u00fccken und andere schlie\u00dflich haben erhebliches organisatorisches Talent, um die bei ihnen vorhandenen Kompetenzl\u00fccken durch die Anwerbung von Mitarbeitern oder durch die Einbindung in ein Team auszugleichen. Durch die KI relativiert sich die Bedeutung dieser Kompetenzen und die F\u00e4higkeit zur sachgem\u00e4\u00dfen Nutzung der KI-Systeme tritt in den Vordergrund. KI l\u00f6st also zumindest zum Teil eine Egalisierungstendenz aus, oder um es mit einem abgewandelten Bonmot \u00fcber Samuel Colt auszudr\u00fccken: \u201eGod created researchers, but Sam Altman made them equal.\u201c<\/p>\n\n\n\n Deutlich wird dieser Sachverhalt beispielsweise bei der Wissenschaftssprache. So ist Englisch in den meisten Disziplinen die internationale Wissenschaftssprache und Ver\u00f6ffentlichungen in anderen Sprachen werden kaum wahrgenommen. Dadurch hatten Muttersprachler einen erheblichen Vorteil bei Publikationen. Mit Hilfe der generativen KI k\u00f6nnen diese Vorteile weitgehend beseitigt werden. Beispielsweise berichten Filimonovic et al. (2026) anhand ihrer Untersuchung von 5,65 Millionen wissenschaftlichen Artikeln eine sprachliche Ann\u00e4herung KI-unterst\u00fctzter Publikationen aus nicht englischsprachigen L\u00e4ndern an amerikanisches Wissenschaftsenglisch. Dieser Sachverhalt betrifft freilich auch die anderen wissenschaftlichen T\u00e4tigkeiten wie etwa die Literaturrecherche, die Programmierung, die Datenaufbereitung oder die statistischen Analysen.<\/p>\n\n\n\n Dieses Ph\u00e4nomen hat freilich auch Folgen f\u00fcr die Wahrnehmung der Wissenschaftler in ihrer Community und damit Konsequenzen f\u00fcr wissenschaftliche Hierarchien, zumal wissenschaftliche Reputation zwar wesentlich auf guten Ideen und wichtigen Erkenntnissen, aber eben auch auf knappen F\u00e4higkeiten beruht. Wie konfliktreich diese Entwicklung in der Community werden kann, l\u00e4\u00dft sich an der gegenw\u00e4rtigen Diskussion \u00fcber Wissenschaftler ablesen, die KI in erheblichem Umfang zur Produktion wissenschaftlicher Erkenntnisse einsetzen. So erw\u00e4hnt beispielsweise die FAZ vom 30. September 2026 den Fall des Molekularbiologen Bertie Fielding (Universit\u00e4t Stellenbosch) und den des Mathematikers Santiago Schnell (Dartmouth College), bei deren Ver\u00f6ffentlichungen die KI-Detektionssoftware offenbar eine 100% KI-Generierung entdeckt haben will. Erw\u00e4hnenswert ist zudem der Fall des Statistikprofessors Nicholas Polson (University of Chicago), unter dessen Namen innerhalb von weniger als neun Monaten weit \u00fcber 200 wissenschaftliche Arbeiten und 14 B\u00fccher erschienen.<\/p>\n\n\n\n Dieser Sachverhalt ist insbesondere vor dem Hintergrund des Verst\u00e4ndnisses des Ph\u00e4nomens Wissenschaft von besonderer Bedeutung. Versteht man den wissenschaftlichen Erkenntnisproze\u00df im Sinne eines sportlichen Wettbewerbs um Rangpl\u00e4tze, also etwa in der Form, da\u00df der Proze\u00df zeigen solle, wozu ein einzelner Wissenschaftler ohne Hilfsmittel pers\u00f6nlich in der Lage ist, dann w\u00e4re die Nutzung von KI wie Doping zu interpretieren und entsprechend zu unterbinden. Begreift man den Zweck dieses Prozesses allerdings in der Sch\u00f6pfung zus\u00e4tzlicher Erkenntnisse, dann spricht nichts gegen eine sinnvolle Anwendung dieses Instrumentariums. Es w\u00e4re in diesem Fall also unerheblich, ob ein Wissenschaftler mit Hilfe einer KI zu neuen Erkenntnissen gelangt, denn diese werden nicht dadurch falsch, da\u00df der Wissenschaftler ohne KI dazu nicht in der Lage gewesen w\u00e4re.<\/p>\n\n\n\n Nat\u00fcrlich hat der Einsatz von KI zur Generierung neuer Erkenntnisse erhebliche Schwachstellen: Zum einen kann KI halluzinieren, Quellen erfinden oder methodische Fehler machen. Und zum anderen zeigt sich, da\u00df Wissenschaftler, die KI-Werkzeuge einsetzen, zwar mehr publizieren, sich aber insgesamt auf ein engeres Spektrum wissenschaftlicher Themen beschr\u00e4nken (Hao et al., 2026). Der Einsatz von KI kanalisiert also die Forschung.<\/p>\n\n\n\n Da Wissenschaft vornehmlich der Produktion neuen Wissens dienen sollte (\u201ethe extension of certified knowledge\u201c; Merton, 1942, S. 270) und ein Positionswettbewerb der Wissenschaftler eher als Nebenprodukt zu werten ist, ist es nicht sinnvoll, KI aus der Wissenschaft herauszuhalten. Vielmehr m\u00fcssen Wissenschaftler, die KI einsetzen, verpflichtet werden, den Einsatz von KI sorgf\u00e4ltig zu \u00fcberpr\u00fcfen und entsprechend zu dokumentieren. F\u00fcr eine derartige Verpflichtung und Umsetzung bedarf es aus ordnungs\u00f6konomischer Perspektive freilich keiner staatlichen Auflage; vielmehr kann davon ausgegangen werden, da\u00df sich im wissenschaftlichen Wettbewerb \u2013 \u00e4hnlich wie bei den Predatory Journals (Daumann & Follert, 2024) \u2013 Publikationsorgane durchsetzen werden, die ein Review durchf\u00fchren, das einen Versto\u00df gegen die Dokumentationspflicht aufdeckt. Ein derartiges Review erfordert neben einer Pr\u00fcfung der Replizierbarkeit insbesondere den Einsatz effektiver KI-Detektoren.<\/p>\n\n\n\n Literatur<\/strong><\/p>\n\n\n\n Allen, G. I., Gan, L., & Zheng, L. (2024). Interpretable machine learning for discovery: Statistical challenges and opportunities. Annual Review of Statistics and Its Application<\/em>, 11, 97\u2013121. https:\/\/doi.org\/10.1146\/annurev-statistics-040120-030919<\/p>\n\n\n\n Bommasani, R., et al. (2021). On the opportunities and risks of foundation models. arXiv<\/em>. https:\/\/doi.org\/10.48550\/arXiv.2108.07258<\/p>\n\n\n\n Daumann, F. & Follert, F. (2024). Predatory Journals als neue Anbieter im Markt f\u00fcr wissenschaftliche Publikationen: Eine (ordnungs-)\u00f6konomische Sicht. ORDO, 2024<\/em>. https:\/\/doi.org\/10.1515\/ordo-2024-2001.<\/p>\n\n\n\n Filimonovic, D., Rutzer, C., Macher, J. T., et al., & Weder, R. (2026). Does scientific writing converge to U.S. English? Evidence from generative AI-assisted publications. Scientometrics, 131<\/em>, 7025\u20137059.<\/p>\n\n\n\n Hao, Q., Xu, F., Li, Y., & Evans, J. (2026). Artificial intelligence tools expand scientists\u2019 impact but contract science\u2019s focus. Nature, 649<\/em>, 1237\u20131243.<\/p>\n\n\n\n Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science<\/em>, 349(6245), 255\u2013260. https:\/\/doi.org\/10.1126\/science.aaa8415<\/a><\/p>\n\n\n\n Merton, R. K. (1942). Science and technology in a democratic order. Journal of Legal and Political Sociology<\/em>, 1, 115\u2013126.<\/p>\n\n\n\n Moor, M., Banerjee, O., Shakeri Hossein Abad, Z., Krumholz, H. M., Leskovec, J., Topol, E. J., & Rajpurkar, P. (2023). Foundation models for generalist medical artificial intelligence. Nature<\/em>, 616, 259\u2013265. https:\/\/doi.org\/10.1038\/s41586-023-05881-4<\/p>\n\n\n\n OECD. (2024). Explanatory memorandum on the updated OECD definition of an AI system<\/em> (OECD Artificial Intelligence Papers No. 8). OECD Publishing. https:\/\/doi.org\/10.1787\/623da898-en<\/p>\n\n\n\n Rauchhaupt, U. von. (2026, 12. Oktober). Der Tag der Mathe-Apokalypse. Frankfurter Allgemeine Zeitung<\/em>, S. 12.<\/p>\n\n\n\n Speicher, C. (2026, 12. Oktober). Open AI l\u00f6st 377 Mathematikprobleme auf einen Streich. Neue Z\u00fcrcher Zeitung<\/em>, S. 12.<\/p>\n\n\n\n Wang, L., Ma, C., Feng, X., Zhang, Z., Yang, H., Zhang, J., Chen, Z., Tang, J., Chen, X., Lin, Y., Zhao, W. X., Wei, Z., & Wen, J. (2024). A survey on large language model based autonomous agents. Frontiers of Computer Science<\/em>, 18(6), Article 186345. https:\/\/doi.org\/10.1007\/s11704-024-40231-1<\/a><\/p>\n\n\n\n Anmerkung<\/strong>: F\u00fcr die Generierung des Bildes und die Literatursuche habe ich KI verwendet; anschlie\u00dfend habe ich die Quellen entsprechend \u00fcberpr\u00fcft.<\/p>\n\n\n\n Podcast zum Thema:<\/strong> <\/p>\n\n\n\n Dr. J\u00f6rn Quitzau<\/strong> (Bergos) im Gespr\u00e4ch mit Prof. Dr. Tobias Straumann<\/strong> (Uni Z\u00fcrich).<\/p>\n\n\n\n Blog-Beitr\u00e4ge zum Thema:<\/strong> K\u00fcnstliche Intelligenz<\/strong><\/p>\n\n\n\n Astrid Rosenschon (ex IfW, 2026): KI-Steuer. Eine rettende Idee oder ein digitales Eig<\/a><\/p>\n\n\n\n Norbert Berthold (JMU, 2026): K\u00fcnstliche Intelligenz. Sprengsatz f\u00fcr die Rente?<\/a><\/p>\n\n\n\n Norbert Berthold (JMU, 2026): K\u00fcnstliche Intelligenz: Weltuntergang oder \u201eJust Relax\u201c? Jan Schnellenbach (BTU, 2026): Die Kosten der europ\u00e4ischen Regulierungswut. Das Beispiel k\u00fcnstliche Intelligenz<\/a><\/p>\n\n\n\n Astrid Rosenschon (ex IfW, 2026): Die zwei Gesichter der K\u00fcnstlichen Intelligenz<\/a><\/p>\n\n\n\n Henning Klodt (ex IfW, 2026): Mit k\u00fcnstlicher Intelligenz in die Job-Apokalypse?<\/a><\/p>\n\n\n\n Astrid Rosenschon (ex IfW, 2026): Ganzheitliche Intelligenz (GI). Wenn Mensch und KI Wissenschaft neu denken<\/a><\/p>\n\n\n\n J\u00f6rn Quitzau (Bergos, 2026): Volkswirtschaftliche Folgen der KI-Revolution. Was w\u00e4re wenn\u2026?<\/a><\/p>\n\n\n\n Bernd Weidensteiner (CBK, 2025): Wie wichtig ist KI f\u00fcr die US-Wirtschaft?<\/a><\/p>\n\n\n\n\n
Eine neue Politik f\u00fcr den Strukturwandel<\/strong><\/a><\/p>\n\n\n\n